تعهد نامه
مجله پژوهش در بهداشت محیط

مجله پژوهش در بهداشت محیط

پیش‌بینی و مقایسه‌ی غلظت ذرات‌معلق PM10 شهر مشهد با استفاده از مدل LSTM در شرایط محدودیت‌های ترافیکی دوران COVID-19

نوع مقاله : مقالات پژوهشی

نویسندگان
نرگس عطاردی 1
میترا محمدی 2
زهرا حاج علی اوغلی 3
1 دانش آموخته کارشناسی‌ارشد رشته علوم و مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، موسسه خردگرایان مطهر، مشهد، ایران.
2 استادیار، گروه آموزشی علوم و مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، موسسه خردگرایان مطهر، مشهد، ایران.
3 دانش آموخته دکترای رشته مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تهران، تهران، ایران.
10.22038/jreh.2025.26632
چکیده
زمینه و هدف: افزایش جمعیت و فعالیت‌های صنعتی در شهر مشهد، کاهش کیفیت هوا و عواقب جدی برای سلامت عمومی به همراه داشته است. هم‌چنین، ظهور بیماری کووید-۱۹ و ارتباط آن با آلودگی هوا، ضرورت بررسی تأثیرات قرنطینه و محدودیت‌های ترافیکی بر غلظت آلاینده‌ها را در این کلان‌شهر افزایش داده است. 

مواد و روش ها: در این مطالعه داده‌های مربوط به غلظت آلاینده PM10 از ایستگاه‌های سنجش آلودگی مشهد جمع‌آوری شد. سپس با استفاده از آزمون  tزوجی (Paired T-Test)، تغییرات آماری غلظت  PM10 در دوران قبل و حین قرنطینه بررسی گردید. هم‌چنین مدل یادگیری ماشین LSTM برای پیش‌بینی تأثیر قرنطینه بر سطوح PM10  به‌کار گرفته شد که شامل پردازش داده‌ها، آموزش مدل و ارزیابی دقت پیش‌بینی‌ها بود. 

یافته ها: نتایج آزمون t زوجی نشان‌دهنده‌ی کاهش 16% در میانگین غلظت PM10 در دوره‌ی قرنطینه بود، که با تفاوت میانگین 4/397 میکروگرم بر مترمکعب مشخص می‌شود. در مرحله‌ی بعدی، مدل یادگیری ماشین LSTM برای پیش‌بینی تأثیر قرنطینه بر سطوح PM10  استفاده شد. مقدار ضریب تعیین (0/8) نشان‌دهنده‌ی همبستگی قوی بین پیش‌بینی‌ها و غلظت واقعی PM10 است. مقادیر میانگین مربعات خطا (3/01) و میانگین خطای مطلق (2/56) بیانگر دقت بالای پیش‌بینی‌ مدل LSTM و نزدیکی آن‌ به مقادیر واقعی هستند.

نتیجه گیری: نتایج نشان می‌دهد که مدل LSTM توانسته است با دقت بالایی غلظت آلاینده‌ PM10 را پیش‌بینی کند و کارایی بالای آن را در تحلیل داده‌های زمانی تأیید می‌کند. نتایج نه‌تنها کاهش قابل توجه در غلظت PM10 را نشان می‌دهد، بلکه ضرورت استفاده از مدل‌های پیشرفته برای تحلیل دقیق‌تر داده‌های محیطی را نیز تأکید می‌نماید. 
کلیدواژه‌ها
آلودگی هوا
پیش‌بینی کیفیت هوا
آلاینده ی PM10
آزمونt زوجی
یادگیری عمیق
شبکه LSTM

عنوان مقاله English

Predicting and Comparing PM10 Concentrations in Mashhad Using the LSTM Model Under Traffic Restrictions During the COVID-19 Era

نویسندگان English

Narges Atarodi 1
Mitra Mohammadi 2
Zahra Hajali oghli 3
1 Master's Graduate of Department of Environmental Science, Kheradgarayn Motahar Institute of Higher Education, Mashhad, Iran.
2 Assistant Professor in Environmental Biotechnology of Department of Environmental Science, Kheradgarayn Motahar Institute of Higher Education, Mashhad, Iran.
3 PhD Graduate in Biosystem Mechanics, Faculty of Agriculture, University of Tehran, Tehran, Iran.
چکیده English

Background and Purpose: This study investigates and predicts the concentration of PM10 pollutant in Mashhad using simple statistical techniques and also the LSTM model with a focus on traffic restrictions before and during the COVID-19 pandemic.

Materials and Methods: First, data related to the concentration of PM10 pollutant were collected from air pollution monitoring stations in Mashhad. Then, using a paired t-test, the statistical changes in PM10 concentration before and during the quarantine period were investigated. Also, the LSTM machine learning model was used to predict the effect of quarantine on PM10 levels during this period, which included data processing, model training, and evaluation of prediction accuracy using various criteria.
 
Results: The results of the paired t-test showed a 16% decrease in the average concentration of PM10 during the quarantine period, which is specified by a mean difference of 4.397 μg/m3. Although this decrease was not statistically significant, the relative improvement in air quality during this time period is remarkable. Also, in the study of the 210-day period before and after COVID-19, the results showed the significant impact of quarantine measures on air quality, and these changes did not occur randomly. In the next step, the LSTM machine learning model was used to predict the effect of quarantine on PM10 levels. The value of the coefficient of determination (0.8) indicates a strong correlation between the predictions and the actual concentration of PM10. 

Conclusion: The values of mean square error (3.01) and mean absolute error (2.56) also indicate the high accuracy of the LSTM model predictions and their proximity to the actual values. These results demonstrate that the LSTM model has been able to predict the concentration of PM10 pollutant with high accuracy and confirms its high efficiency in analyzing time series data. 
 
Open Access Policy: This is an open access article under the terms of the Creative Commons Attribution License, which permits use, distribution and reproduction in any medium, provided the original work is properly cited. To view a copy of this licence, visit https://creativecommons.org/licenses/by/4.0/

کلیدواژه‌ها English

Air Pollution
Air Quality Prediction
PM10 Concentrations
Paired T-Test
Deep Learning
LSTM Network
  1. Xu, M., Wang, Y., & Tu, Y. (2021). Uncovering the invisible effect of air pollution on stock returns: A moderation and mediation analysis. Finance Research Letters, 39, 101646. https://doi.org/10.1016/j.frl.2020.101646
  2. Huang, Y., Wu, Y., & Zhang, W. (2020). Comprehensive identification and isolation policies have effectively suppressed the spread of COVID-19. Chaos, Solitons & Fractals, 139, 110041. https://doi.org/10.1016/j.chaos.2020.110041 PMid:32834599 PMCid:PMC7305880
  3. Lai, C.-C.; Shih, T.-P.; Ko,W.-C.; Tang,H.-J.;Hsueh, P.-R. Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) and coronavirus disease-2019 (COVID-19): The epidemic and the challenges. Int. J. Antimicrob. Agents 2020, 55, 105924. https://doi.org/10.1016/j.ijantimicag.2020.105924 PMid:32081636 PMCid:PMC7127800
  4. Cole, M. A., Elliott, R., & Liu, B. (2020). The Impact of the Wuhan Covid-19 Lockdown on Air Pollution and Health: A Machine Learning and Augmented Synthetic Control Approach. Environmental & resource economics, 1-28. Advance online publication. https:// doi. org/ 10. 1007/s10640- 020- 00483- 4MID: 32703584.
  5. Bui, T.-C., Le, V.-D., & Cha, S.-K. (2018). A Deep Learning Approach for Forecasting Air Pollution in South Korea Using LSTM. https://arxiv.org/abs/1804.07891v3
  6. Li, L., Li, Q., Huang, L., Wang, Q., Zhu, A., Xu, J., Liu, Z., Li, H., Shi, L., Li, R., Azari, M., Wang, Y., Zhang, X., Liu, Z., Zhu, Y., Zhang, K., Xue, S., Ooi, M. C. G., Zhang, D., & Chan, A. (2020). Air quality changes during the COVID-19 lockdown over the Yangtze River Delta Region: An insight into the impact of human activity pattern changes on air pollution variation. The Science of the Total Environment, 732, 139282. https://doi.org/10.1016/j.scitotenv.2020.139282 PMid:32413621 PMCid:PMC7211667
  7. Emmons, L. K., Walters, S., Hess, P. G., Lamarque, J. F., Pfister, G. G., Fillmore, D., Granier, C., Guenther, A., Kinnison, D., Laepple, T., Orlando, J., Tie, X., Tyndall, G., Wiedinmyer, C., Baughcum, S. L., & Kloster, S. (2010). Description and evaluation of the Model for Ozone and Related chemical Tracers, version 4 (MOZART-4). Geoscientific Model Development, 3(1), 43-67. https://doi.org/10.5194/gmd-3-43-2010
  8. Karimian, H., Li, Q., Li, C., Jin, L., Fan, J., & Li, Y. (2016). An Improved Method for Monitoring Fine Particulate Matter Mass Concentrations via Satellite Remote Sensing. Aerosol and Air Quality Research, 16(4), 1081-1092. https://doi.org/10.4209/aaqr.2015.06.0424
  9. Patel, C. J. (2017). Analytic Complexity and Challenges in Identifying Mixtures of Exposures Associated with Phenotypes in the Exposome Era. Current Epidemiology Reports, 4(1), 22-30. https://doi.org/10.1007/s40471-017-0100-5 PMid:28251040 PMCid:PMC5306298
  10. Werbos, P. J. (2002). Backpropagation through time: what it does and how to do it. Proceedings of the IEEE, 78(10), 1550-1560 https://doi.org/10.1109/5.58337
  11. Xiao, D., Fang, F., Zheng, J., Pain, C. C., & Navon, I. M. (2019). Machine learning-based rapid response tools for regional air pollution modelling. Atmospheric Environment, 199, 463-473. https://doi.org/10.1016/j.atmosenv.2018.11.051
  12. Seqatoleslami, N., Mousavi, M, A'lami, M. (2006). Modeling and prediction of ozone formation in the atmosphere of Mashhad city using a neural-fuzzy network based on fuzzy-adaptive inference systems. Iran Chemical Engineering. (Persion)
  13. Ma, Y., Zhao, Y., Liu, J., He, X., Wang, B., Fu, S., ... & Luo, B. (2020). Effects of temperature variation and humidity on the death of COVID-19 in Wuhan, China. Science of the total environment, 724, 138226. https://doi.org/10.1016/j.scitotenv.2020.138226 PMid:32408453 PMCid:PMC7142681
  14. Freeman, B. S., Taylor, G., Gharabaghi, B., & Thé, J. (2018). Forecasting air quality time series using deep learning. 68(8), 866-886. https://doi.org/10.1080/10962247.2018.1459956 PMid:29652217
  15. Xayasouk, T., Lee, H., & Lee, G. (2020). Air pollution prediction using long short-term memory (LSTM) and deep autoencoder (DAE) models. Sustainability, 12(6), 2570. https://doi.org/10.3390/su12062570
  16. Hama, S. M., Cordell, R. L., Staelens, J., Mooibroek, D., & Monks, P. S. (2018). Chemical composition and source identification of PM10 in five North Western European cities. Atmospheric Research, 214, 135-149.‏ https://doi.org/10.1016/j.atmosres.2018.07.014
  17. Dung, N. A., Son, D. H., & Tri, D. Q. (2019). Effect of Meteorological Factors on PM 10 Concentration in Hanoi, Vietnam. Journal of Geoscience and Environment Protection, 7(11), 138.‏ https://doi.org/10.4236/gep.2019.711010
  18. Orak, N. H., & Ozdemir, O. (2021). The impacts of COVID-19 lockdown on PM10 and SO2 concentrations and association with human mobility across Turkey. Environmental research, 197, 111018.‏ https://doi.org/10.1016/j.envres.2021.111018 PMid:33745929 PMCid:PMC8542992
  19. Lei, T. M., Siu, S. W., Monjardino, J., Mendes, L., & Ferreira, F. (2022). Using machine learning methods to forecast air quality: A case study in Macao. Atmosphere, 13(9), 1412. https://doi.org/10.3390/atmos13091412
  20. Lovrić, M., Antunović, M., Šunić, I., Vuković, M., Kecorius, S., Kröll, M., ... & Šimić, I. (2022). Machine learning and meteorological normalization for assessment of particulate matter changes during the COVID-19 lockdown in Zagreb, Croatia. International journal of environmental research and public health, 19(11), 6937.‏ https://doi.org/10.3390/ijerph19116937 PMid:35682517 PMCid:PMC9180289
  21. Schatke, M., Meier, F., Schröder, B., & Weber, S. (2022). Impact of the 2020 COVID-19 lockdown on NO2 and PM10 concentrations in Berlin, Germany. Atmospheric Environment, 290, 119372.‏ https://doi.org/10.1016/j.atmosenv.2022.119372 PMid:36092472 PMCid:PMC9450488
  22. WHO, 2021. WHO global air quality guidelines: particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. World Health Organization. Available at: https:// apps. who. int/ iris/ handle/10665/ 345329. Last access: October 2021.
  23. Zukaib, U., Maray, M., Mustafa, S., Haq, N. U., & Rehman, F. (2023). Impact of COVID-19 lockdown on air quality analyzed through machine learning techniques. PeerJ Computer Science, 9, e1270. https://doi.org/10.7717/peerj-cs.1270 PMid:37346587 PMCid:PMC10280446